Původní specifikace (W3C Recommendation) XML 1.0 na W3C: http://www.w3.org/XML/

3rd Edition (aktualizace, ne změny) na http://www.w3.org/TR/2000/REC-xml-20001006

výborná komentovaná verze téhož na XML.COM (Annotated XML): http://www.xml.com/pub/a/axml/axmlintro.html

na XML 1.1 (Candidate Recommendation) - změny indukované zavedením UNICODE 3, lepší možnosti normalizace, upřesnění postupu manipulace se znaky ukončení řádku.

(výborný úvodní) Koskův seriál o XML pro Softwarové noviny: http://kosek.cz/clanky/swn-xml/index.html

Seriál o XML na ŽIVĚ

(obsahuje hodně příkladů) Zvon XML Tutorial: http://www.zvon.org/xxl/XMLTutorial/General/book_en.html

Microsoft XML Tutorial: http://msdn.microsoft.com/xml/tutorial/

101 XML Tutorials: http://www.xml101.com/xml/default.asp

XML Tutoriály na Beginners.co.uk

Tutoriály na Developerlife.com: http://developerlife.com

Opakování: správně utvořený (well formed) dokument

Nové: platný (valid) dokument

Platný podle specifikace znamená přísnější omezení než správně utvořený.

Obvykle se validitou myslí soulad s DTD (Document Type Definition) dokumentu.

uzel (element, atribut, textový uzel, instrukce pro zpracování, komentář)

element

atribut

textový uzel

instrukce pro zpracování

komentář

dále viz např. Koskův seriál o XML na http://kosek.cz/clanky/swn-xml/index.html

uzel dokumentu

- ten je nadřazený kořenovému elementu

- může kromě něj obsahovat též komentáře, instrukce pro zpracování, notaci DOCTYPE atd

kořenový element

znakové sady (množiny znaků s pořadovými čísly), tj. přiřazení ordinální hodnoty znaku (např. Unicode) a

kódování znaků (z dané sady), např. UTF-8, tj. ordinální hodnota znaku se kóduje do posloupnosti bajtů

Původní návrh tzv. 16bitového Unicode: až 64 K znaků, stačí pro evropské, nestačí pro světové jazyky (např. dnes frekventovaná čínstina).

32bitový Unicode: pokrývá znaky už "na věky".

osmibitová, tradiční: US-ASCII, ISO-8859-2 (ISO Latin 2), Windows-1250 (=Cp1250) - kódování jen vybrané podmnožiny Unicode.

UTF-8: kódování všech znaků Unicode, každý znak na 1-6 bajtech, US-ASCII na jednom bajtu, "čeština" na dvou.

UTF-16: princip stejný jako UTF-8, ale základní ukládací jednotkou je dvoubajtové slovo (16 bitů)

UCS-2: přímé kódování Unicode, čísla znaků z BMP se zapíší přímo jako dva bajty

UCS-4: dtto, ale pro celý Unicode a na 4 bajtech - neúsporné, 4 bajty i pro US-ASCII, evropské jazyky...

Přípustné jsou jakékoli UNICODE znaky po x10FFFF (kromě xFFFE, xFFFF a rozmezí xD800 - xDFFF).

jména (names) musí být složena ze nemezerových znaků: číslice, písmena, . (tečka) - (pomlčka, minus) _ (podtržítko) : a dalších, musí začínat písmenem nebo _ :

Kódování těchto UNICODE znaků není podstatné.

Jako implicitní - není-li v prologu (hlavičce), např.

<?xml version="1.0" encoding="Windows-1250"?>

uvedeno jinak - se používá UTF-8 nebo UTF-16.

Rozlišení UTF-8 a UTF-16 se děje pomocí prvních dvou bajtů dokumentové entity (tj. souboru), pomocí tzv. byte-order-mark xFFFE

Není-li uvedena, předpokládá se UTF-8, čili UTF-8 je implicitní kódování UNICODE znaků v XML dokumentech.

Definice typu dokumentu (použití této definice je pak deklarace typu dokumentu)

Specifikována přímo standardem XML 1.0

Popisuje přípustný obsah elementů, atributů, jejich implicitní (default) hodnoty, definuje použité entity

Může být uvedena jako interní nebo externí DTD (internal and external subset) nebo "napůl" - tam i tam.

Dokument vyhovující DTD je označován jako valid (platný).

Webreview: http://www.webreview.com/2000/08_11/developers/08_11_00_2.shtml

ZVON: http://www.zvon.org/xxl/DTDTutorial/General/contents.html

XML DTD Tutorial (101): http://www.xml101.com/dtd/

W3Schools DTD Tutorial: http://www.w3schools.com

<!DOCTYPE jméno-kořenového-elt Externí-ID [ interní část DTD ]>

PUBLIC "PUBLIC ID" "URI" (hodí se pro "veřejná", obecně uznané DTD) nebo

SYSTEM "URI" - pro soukromá nebo jiná "ne zcela standardizovaná" DTD ("URI" nemusí být jen URL na síti, může být i jméno souboru, vyhodnocení se děje podle systému, na němž se vyhodnocuje)

<![IGNORE[ toto se bude ignorovat ]]>

<![INCLUDE[ toto se zahrne do DTD (tj. nebude se ignorovat)]]>

EMPTY - prázdný element, může být zobrazen jako <element/> nebo <element></element> - totéž

ANY - povolen je libovolný obsah elementu, tj. text, dceřinné elementy, ...

může obsahovat dceřinné elementy - <!ELEMENT jméno-elementu (specifikace dceřinných elementů)>

může být smíšený (MIXED) - obsahující text i dceřinné elementy dané výčtem <!ELEMENT jméno-elementu (#PCDATA | přípustné dceřinných elementy)*>. Nelze specifikovat pořadí nebo počet výskytů konkrétních dceřinných elementů. Hvězdička za závorkou je povinná - vždy je možný libovolný počet výskytů.

operátor sekvence (sequence, follow with) ,

operátor volby (výběru, select, choice) |

závorky () mají obvyklý význam

nelze kombinovat v jedné skupině různé operátory , |

počet výskytů dceřinného elementu omezujeme specifikátory "hvězdička", "otazník", "plus" s obvyklými významy. Bez specifikátoru znamená, že je povolen právě jeden výskyt.

CDATA

NMTOKEN

NMTOKENS

ID

IDREF

IDREFS

ENTITY

ENTITIES

výčet hodnot - např. (hodnota1|hodnota2|hodnota3)

výčet notací - např. NOTATION (notace1|notace2|notace3)

"implicitní hodnota" - atribut je nepovinný, ale není-li uveden, chápe se to, jako by měl hodnotu implicitní hodnota

#REQUIRED - atribut je povinný

#IMPLIED - atribut je nepovinný

#FIXED "pevná-hodnota" - atribut je povinný a musí mít právě hodnotu pevná-hodnota

"implicitní hodnota" - atribut je nepovinný, ale není-li uveden, chápe se to, jako by měl hodnotu implicitní hodnota

deklarace

reference (tj. použití) dané (již deklarované) entity.

parsované - soubory se (správně utvořeným) značkováním,

neparsované - např. binární soubory,

znakové - znaky, např. &gt; je referencí na znakovou entitu

mohou být použity jen v rámci DTD

hodí se při např. deklaracích seznamu atributů (pokud je dlouhý a vícekrát použitý, nahradíme ho referencí na parametrickou entitu)

viz např. DTD pro HTML 4.01 - http://www.w3.org/TR/html4/sgml/dtd.html

definicí parametrické entity je např. <!ENTITY % heading "H1|H2|H3|H4|H5|H6">

XML Namespaces (W3C Recommendation): http://www.w3.org/TR/REC-xml-names

Existuje také nové Namespaces in XML 1.1 W3C Recommendation 4th February 2004. Andrew Layman, Richard Tobin, Tim Bray, Dave Hollander

Definují "logické prostory" jmen (elementů, atributů) v XML dokumentu.

Dávají uzlům ve stromu XML dokumentu "třetí dimenzi".

Logickému prostoru jmen odpovídá jeden globálně ("celosvětově") jednoznačný identifikátor, daný URI (URI tvoří nadmnožinu URL).

NS odpovídající danému URI nemá nic společného s obsahem nacházejícím se případně na tomto URL ("nic se odnikud automaticky nestahuje" - nedochází k tzv. dereferenci danéhol URI).

V rámci dokumentů se místo těchto URL používají zkratky, prefixy těchto NS namapované na příslušné URI atributem xmlns:prefix="URI".

Jméno elementu či atributu obsahující dvojtečku se označuje jako kvalifikované jméno, QName.

Dva NS jsou stejné, jestliže se jejich URI shodují po znacích přesně (v kódování UNICODE).

NS neovlivňují význam textových uzlů.

Element/atribut nemusí patřit do žádného NS.

Deklarace prefixu NS nebo implicitního NS má platnost na všechny dceřinné uzly rekurentně, dokud není uvedena jiná deklarace "přemapující" daný prefix.

Jeden NS je tzv. implicitní (default NS), deklarovaný atributem xmlns=

Na atributy se implicitní NS nevztahuje!!!, čili atributy bez explicitního uvedení prefixu nejsou v žádném NS.

XML Base, W3C Recommendation 27 June 2001: http://www.w3.org/TR/xmlbase/

Standard pro vyhodnocování relativních URL v odkazech z/na XML dokumenty.

Definuje použití vyhrazeného atributu xml:base označujícího základ pro vyhodnocování relativních URL.

Doplňuje se se standardem XLink.

Respektuje princip "překrývání" bázové adresy nastavené v nadřazeném elementu.

XML Inclusions (XInclude) Version 1.0 W3C Working Draft 10 November 2003, http://www.w3.org/TR/xinclude/

XInclude umožňuje vkládání (částí) XML dokumentů do dokumentů.

Je ortogonální k entitám (lze použít oboje v rámci jednoho dokumentu, "nevadí si").

Nezávislé na DTD (zpracování XInclude probíhá až po validaci)

Nezávislé na XML Schema

Specifikace definuje jmenný prostor a v něm jeden element <xi:include> s atributy:

href= - vkládaný dokument

parse= - hodnota je buď "text", pak se obsah vkládá jako (neparsovaný) text, nebo "xml", pak se hodnota vkládá jako značkovaný obsah

encoding= - v případě encoding="text" specifikuje (je-li to nutné) kódování vkládaného textu

a dalšími atributy (xpointer, accept, accept-charset, accept-language...) viz specifikace.

Na FI je k dispozici interpret rozšířeného XInclude - xincluder-fi, který umí vkládat části textových souborů.

Vycházejí ze starších SGML katalogů

Jde o prostředek, jak se jednotně odkazovat na entity (dokumenty) umístěné na různých systémech na různých místech.

Dovoluje také praktické použití identifikátorů URI typu PUBLIC, které neodkazují na žádnou reálnou lokaci na internetu.

Existuje několik formátů pro katalogy - bohužel.

XML Infoset 2nd Edition W3C Recommendation First published.og 24 October 2001, revised 4 February 2004, John Cowan, Richard Tobin, http://www.w3.org/TR/xml-infoset/

Infoset popisuje "jaké všechny informace lze o uzlu (elementu, dokumentu, atributu...) získat"

Jinými slovy: aplikace by neměla spoléhat na informace z XML dokumentu, které se po analýze (parsingu) neobjeví v Infosetu.

Každý správně utvořený XML dokument vyhovující standardu pro jmenné prostory má Infoset.

Infoset se skládá z Information items

Infoset se týká dokumentu s již expandovanými entitami

Rozlišuje se infoset dokumentu, elementu, atributu, znaku, instrukci pro zpracování, neexpandované entitě, neanalyzované entitě, notaci

Podrobněji viz specifikace.

Canonical XML Version 1.0, W3C Recommendation 15 March 2001, http://www.w3.org/TR/xml-c14n

Smyslem je popsat kritéria (a algoritmy), které pomohou rozhodnout, zda jsou dva XML dokumenty ekvivalentní, lišící se pouze fyzickou reprezentací (entity, pořadí atributů, kódování znaků)

Kanonizace "setře" rozdíly mezi takovými dokumenty, k nimž se analyzátor "bude jistě chovat stejně", tj. z pohledu aplikace jsou totožné.

Použití kanonického tvaru je nutné např. u elektronického podpisu XML dat (při výpočtu hodnoty digest).

Bylo by možné nad XML dokumenty definovat i jiné relace ekvivalence než je Canonical XML.

kódování v UTF-8

zlomy řádků (CR, LF) jsou normalizovány podle algoritmu uvedeného v std. XML 1.0

hodnoty atributů jsou normalizovány

reference na znakové a parsované entity jsou nahrazeny jejich obsahem

CDATA sekce jsou nahrazeny jejich obsahem

hlavička "xml" a deklarace typu dokumentu jsou odstraněny

bílé znaky mimo kořenový element jsou normalizovány

jiné bílé znaky (vyjma normalizace zlomu řádků) jsou zachovány

hodnoty atributů jsou uvozeny "

speciální znaky v hodnotách atributů a textovém obsahu elementů jsou nahrazeny referencemi na entity

nadbytečné deklarace jmenných prostorů jsou z každého elementu odstraněny

implicitní hodnoty atributů jsou dodány do každého elementu (kde je to relevantní)

na pořadí atributů a deklarací jmenných prostorů se uplatní lexikografické řazení

neparsované entity (např. binární entity) jsou po kanonizaci nepřístupné

notace

typy atributů (vč. implic. hodnot)